【技术实现步骤摘要】
本专利技术属于深度学习目标检测和害虫检测，具体涉及一种基于yolov5的害虫检测方法及系统。
技术介绍
1、害虫高频爆发对农业生产构严重威胁，造成重大经济损失。因此，准确、及时地发现虫害，降低害虫对农业的影响，对指导农户科学种植，推进农业向着高质量、高产量的方向不断发展具有重要意义。传统的害虫检测任务需要农业专家实地作业，但农业种植面积大，害虫种类多，存在费时、费力、农业专家不足等问题。随着机器学习和深度学习的发展，一些新技术逐渐取代原始的人工检测方法。然而机器学习需要依靠人工提取害虫特征信息，容易受到主观因素影响，所提取的特征鲁棒性较差，导致检测结果准确率不高。基于卷积神经网络的深度学习技术通过卷积神经网络来自动提取害虫的特征信息，有效的弥补了传统机器学习的不足之处，在特征提取能力和检测精度方面均有极大地提高。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提出一种基于yolov5的害虫检测方法及系统。采用该方法能够较好地满足害虫检测任务的需求。
2、本专利技术的技术...
【技术保护点】
1.一种基于YOLOv5的害虫检测方法，其特征在于，从摄像头采集的视频画面中截取图像，输入到改进的YOLOv5检测模型进行害虫检测，获取害虫的类别和数量信息，所述改进的YOLOv5检测模型包括主干网络、颈部网络和预测网络；截取的图像首先输入主干网络进行特征提取，然后在颈部网络中将提取的所有特征进行融合，最后将融合后的特征输入预测网络的大、中、小三个尺度的检测层中进行检测，获取检测结果；
2.根据权利要求1所述的基于YOLOv5的害虫检测方法，其特征在于，所述改进的YOLOv5检测模型，将主干网络末端的SPPF模块替换成HSPPF模块；所述HSPPF模块的输...
【技术特征摘要】
1.一种基于yolov5的害虫检测方法，其特征在于，从摄像头采集的视频画面中截取图像，输入到改进的yolov5检测模型进行害虫检测，获取害虫的类别和数量信息，所述改进的yolov5检测模型包括主干网络、颈部网络和预测网络；截取的图像首先输入主干网络进行特征提取，然后在颈部网络中将提取的所有特征进行融合，最后将融合后的特征输入预测网络的大、中、小三个尺度的检测层中进行检测，获取检测结果；
2.根据权利要求1所述的基于yolov5的害虫检测方法，其特征在于，所述改进的yolov5检测模型，将主干网络末端的sppf模块替换成hsppf模块；所述hsppf模块的输入特征首先经过1个cbs模块，再经过并联的三个分支；第一个分支依次由3个最大池化模块构成；第二个分支依次由3个平均池化模块构成；第三个分支不对输入做进一步操作；将三个分支提取的所有特征进行融合，再经过一个cbs模块得到hsppf模块的输出特征。
3.根据权利要求1所述的基于yolov5的害虫检测方法，其特征在于，所述主干网络依次包括第一cbs模块、第二cbs模块、第一c3ncbam模块组合、第三cbs模块、第二c3ncbam模块组合、第四cbs模块、第三c3ncbam模块组合、第五cbs模块、第四c3ncbam模块组合和hsppf模块。
4.根据权利要求3所述的基于yolov5的害虫检测方法，其特征在于，所述颈部网络的处理过程为：从所述主干网络的hsppf模块获取特征p3，特征p3经过第六cbs模块处理得到特征p4，特征p4经第一上采样模块处理后与主干网络的第三c3ncbam模块组合所提取的特征p2进行融合，融合后的特征再经过第五c3ncbam模块组合和第七cbs模块处理，得到特征p5，特征p5经第二上采样模块处理后和所述主干网络的第二c3ncbam模块组合所提取的特征p1进行融合得到特征p6；特征p6经过第六c3ncbam模块组合处理，得到特征p7；特征p7经第八cbs模块处理后与特征p5融合，再经过第七c3ncbam模块组合处理得到特征p8；特征p8经过第九cbs模块处理后与特征p4融合，再经第八c3ncbam模块组合处理得到特征p9；特征p7输入大目标检测层进行检测，特征p8输入中目标检测层进行检测，特征p9输入小目标检测层进行检测。
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。